×

兹马思-数学第一资源

高维回归与检验的广义岭估计贝叶斯方法。(英语) Zbl 1388.62214
摘要:本文采用贝叶斯策略对高维回归进行广义岭估计。我们还考虑了基于所提出的估计量的显著性检验,这对选择回归量是有用的。理论和仿真研究表明,在均方误差(MSE)准则下,所提出的估计器可以同时优于普通岭估计和LSE。仿真研究也证明了我们的方案在稀疏模型下具有竞争性的MSE性能。我们利用肺癌的高维微阵列数据来演示这种方法。

理学硕士:
6207年 岭回归;收缩估计量(套索)
15层62层 贝叶斯推理
62摄氏度 统计决策理论的一般考虑
PDF格式 BibTeX公司 XML 引用
全文: 内政部
参考文献:
[1] 艾伦,D.M.(1974年)。变量选择与数据扩充的关系及预测方法。技术计量学16:125-127。·中银0286.62044
[2] Araki,Y.,Hattori,S.(2013年)。基于信息准则的有效正则化参数选择。通信统计模拟与计算42(2):280-293。·Zbl 1327.62417号
[3] Beer,D.G.,Kardia,S.L.R.,Huang,C.C.,Giordano,T.J.,Levin,A.M.等人(2002年)。基因表达谱预测肺腺癌患者的生存率。自然医学8:816-824。
[4] Bühlmann,P.(2013年)。高维线性模型的统计显著性。伯努利19:1212-1242。·Zbl 1273.62173
[5] Candes,E.,Tao,T.(2007年)。Dantzig选择器:p远大于n时的统计估计。统计学年鉴35:2313-2351。·Zbl 1139.62019
[6] Chen,A.C.,Emura,T.(2016年)。混合实验下带截距项的修正Liu型估计量。统计学理论与方法交流。DOI:10.1080/03610926.2015.1132327。
[7] Chen,H.Y.,Yu,S.L.,Chen,C.H.,Chang,G.C.,Chen,C.Y.等人(2007年)。非小细胞肺癌的5基因特征与临床结局。新英格兰医学杂志356:11-20。
[8] Cule,E.,De Iorio,M.(2013年)。预测问题中的岭回归:岭参数的自动选择。遗传流行病学37:704-714。
[9] Cule,E.,Vineis,P.,De Iorio,M.(2011年)。遗传数据岭回归的显著性检验。BMC生物信息学12:372。
[10] 迪克,A.P.,罗迪克,美国(2005年)。从过去的试验预测未来:表皮生长因子受体的表达和分级放射治疗试验的结果。临床肿瘤学杂志23:5437-5439。
[11] Emura,T.,Chen,Y.H.(2016年)。基于copula的基因选择方法。医学研究中的统计方法25(6):2840-2857。
[12] Emura,T.,Chen,H.Y.,Chen,Y.H.(2017a)。Cox:Cox比例风险模型下基于复合协变量方法的估计、基因选择和生存预测,3.1版,CRAN。
[13] Emura,T.,Chen,Y.H.,Chen,H.Y.(2012年)。Cox比例风险模型下基于复合协变量的生存预测。公共科学图书馆7:e47627。
[14] Emura,T.,Nakatochi,M.,松井,S.,Michimae,H.,Rondeau,V.(2017b)。根据肿瘤进展和高维遗传因素对死亡的个性化动态预测:医学研究中联合模型的Meta分析,统计学方法。DOI:10.1177/096228021668032。
[15] Fan,J.,Li,R.(2001年)。基于非CAVE惩罚似然的变量选择及其预言性质。美国统计协会杂志96:1348-1360。·Zbl 1073.62547
[16] Fan,J.,Lv,J.(2008年)。超高维特征空间的独立筛选。(经过讨论)。英国皇家统计学会杂志B 70:849-911。·Zbl 1411.62187
[17] Fan,T.H.(2001年)。单因素二次响应模型最优解的无信息贝叶斯估计。测试10(2):225-240。·Zbl 1014.62032
[18] Friedman,J.,Hastie,T.,Simon,N.,Tibshirani,R.(2015年)。套索和弹性网正则化广义线性模型,2.0-2版。克兰。
[19] Golub,G.H.,Heath,M.,Wahba,G.(1979年)。广义交叉验证作为一种选择良好脊线参数的方法。技术计量学21:215-223。·Zbl 0461.62059
[20] Hansen,B.E.(2016年)。詹姆斯·斯坦和套索收缩的风险。计量经济学评论35(8-10):1456-1470。
[21] Hastie,T.,Tibshirani,R.,Friedman,J.(2009年)。统计学习的要素。纽约:斯普林格·韦拉格。·Zbl 1273.62005
[22] Hoerl,A.E.,Kennard,R.W.(1970年)。岭回归:非正交问题的有偏估计。技术指标12:55-67。·Zbl 0202.17205
[23] Jang,D.-H.,Anderson Cook,C.M.(2015年)。混合和混合过程实验中岭回归估计器评估的可视化方法。质量与可靠性工程国际31(8):1483-1494。
[24] Jenssen,T.K.,Kuo,W.P.,Stokke,T.,Hovig,E.(2002年)。乳腺癌基因表达与患者生存的关系。人类遗传学111:411-420。
[25] Jimichi,M.(2008年)。可行广义岭回归估计的精确矩及其数值计算。日本计算统计学会杂志21:1-20。·Zbl 1261.62066
[26] Kibria,B.M.G.,Banik,S.(2016年)。岭回归估计及其性能。现代应用统计方法杂志15(1):206-238。
[27] Kim,S.-Y.,Lee,J.-W.(2007年)。基于重采样相似性度量的基因表达数据集成聚类方法。医学研究中的统计方法16:539-564。
[28] Loesgen,K.-H.(1990年)。具有良好先验均值的岭型估计量的推广与贝叶斯解释。统计论文31:147-154。·Zbl 0709.62057
[29] Mallows,C.L.(1973年)。对Cp的一些评论。技术指标15:661-675。·中银0269.62061
[30] 松井,S.(2006)。用微阵列预测预后标记研究中的重要基因亚群预测生存结果。BMC生物信息学7:156。
[31] 西奥博尔德,C.M.(1974年)。岭回归中均方误差的推广。英国皇家统计学会期刊B 36:103-106。·Zbl 0282.62055
[32] Tibshirani,R.(1996年)。通过选择收缩和套索。英国皇家统计学会杂志B 58:267-288。·Zbl 0850.62538
[33] Trenkler,G.(1985年)。线性回归中估计量的均方误差矩阵比较。通讯统计A 14:2495-2509。·Zbl 0594.62075
[34] Trenkler,G.,Tourenburg,H.(1990年)。有偏估计器间均方误差矩阵比较-最近结果概述。统计论文31:165-179。·Zbl 0703.62066
[35] Wain,J.M.,Bruford,E.A.,Lovering,R.C.等人(2002年)。人类基因命名指南。基因组学79:464-470。
[36] 惠塔克,J.C.,汤普森,R.,丹纳姆,M.C.(2000)。岭回归标记辅助选择。遗传学研究75:249-252。
[37] Wong,K.Y.,Chiu,S.N.(2015年)。岭回归中最小化均方误差的迭代方法。计算统计学30(2):625-639。·Zbl 1317.65047
[38] Yang,S.P.(2014年)。一类高维线性回归的广义岭估计。国立中央大学电子论文。台湾,1-41。
[39] Zhang,C.H.,Zhang,S.S.(2014年)。高维线性模型中低维参数的置信区间。英国皇家统计学会期刊B 76(1):217-242。·Zbl 1411.62196
[40] Zhao,X.,Rødland,E.A.,Sørlie,T.等人(2011年)。结合基因特征可以提高对乳腺癌生存率的预测。公共科学图书馆6:e17845。
此参考列表基于出版商或数字数学图书馆提供的信息。它的数学和标识符可能包含启发式匹配的数据项。它试图尽可能准确地反映原始论文中列出的参考文献,而不要求匹配的完整性或精确性。